CN113052054B - 一种遥感干旱检测方法及系统 - Google Patents
一种遥感干旱检测方法及系统 Download PDFInfo
- Publication number
- CN113052054B CN113052054B CN202110294490.0A CN202110294490A CN113052054B CN 113052054 B CN113052054 B CN 113052054B CN 202110294490 A CN202110294490 A CN 202110294490A CN 113052054 B CN113052054 B CN 113052054B
- Authority
- CN
- China
- Prior art keywords
- index
- drought
- vegetation
- ratio
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 230000036541 health Effects 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004508 fractional distillation Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 19
- 244000005700 microbiome Species 0.000 claims 1
- 239000002689 soil Substances 0.000 description 33
- 238000012360 testing method Methods 0.000 description 30
- 238000012544 monitoring process Methods 0.000 description 23
- 238000001556 precipitation Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种遥感干旱检测方法及系统。所述方法包括:获取待检测地区在设定时间段内的归一化植被指数、地表温度、实际蒸散发数据和潜在蒸散发数据,得到序列集;由归一化植被指数和地表温度计算植被健康指数;计算序列集中实际蒸散发数据与潜在蒸散发数据的比值;对植被健康指数和比值分别进行标准分数化,得到健康指数分数和比值分数;对健康指数分数和比值分数加权求和,得到干旱指数分数;对干旱指数分数进行标准分数化,得到改进的干旱严重程度指数。本发明采用改进的干旱严重程度指数用于作为干旱检测指标,实现对待检测地区的干旱检测,能提高遥感干旱检测的准确性。
Description
技术领域
本发明涉及干旱检测领域,特别是涉及一种遥感干旱检测方法及系统。
背景技术
由于干旱检测研究的复杂性,导致干旱检测指标众多,以遥感干旱检测为例,常用的包括温度植被干旱指数(temperature vegetation drought index,TVDI)、植被状况指数(vegetation condition index,VCI)、温度状态指数(temperature condition index,TCI)、作物缺水指数(crop water stress index,CWSI)等。Q Mu等以ET、PET和NDVI等遥感数据,考虑多时间尺度特征及土壤水分亏缺和植被绿度对干旱的影响,提出了干旱严重程度指数(Drought Severity Index,DSI),该指标弥补了传统遥感干旱指数(VCI、TCI、TVDI和CWSI)考虑因素过于单一的缺陷,增强了实时干旱监测的能力,以协助决策者进行区域干旱评估和减灾工作,而且不受传统干旱监测方法的诸多限制。
DSI在干旱监测中仅考虑到归一化植被指数(Normalized DifferenceVegetationIndex,NDVI)对干旱的影响,然而在很多前人的研究均表明NDVI并不能很好地反映植被生长状态。已有的传统遥感干旱监测模型,考虑因素过于单一,很难被应用到大范围面积上的区域观测;综合遥感干旱监测模型在不同区域适用性差异较大,且计算过程较为复杂,计算过程不够简便且区域适用性较强很难被推广应用;传统的气象干旱监测,对地面观测站的空间分布、观测时间、数据连续性有较高的要求,很难实现较高精度多时间尺度连续的地表动态变化信息。因此,遥感干旱检测的准确性有待提高。
发明内容
基于此,有必要提供一种遥感干旱检测方法及系统,考虑了植被形态指标、植被生理指标和土壤水分亏缺,解决了在全球气候变化背景下对土壤水分信息和降雨丰枯信息的评估,弥补了现有的遥感干旱指数和气象干旱指数在干旱检测中的不足,提高了遥感干旱检测的准确性。
为实现上述目的,本发明提供了如下方案:
一种遥感干旱检测方法,包括:
获取待检测地区在设定时间段内的遥感数据,得到序列集;所述遥感数据包括归一化植被指数、地表温度、实际蒸散发数据和潜在蒸散发数据;
由所述序列集中的所述归一化植被指数和所述地表温度计算植被健康指数;
计算所述序列集中所述实际蒸散发数据与所述潜在蒸散发数据的比值;
对所述植被健康指数和所述比值分别进行标准分数化,得到健康指数分数和比值分数;
对所述健康指数分数和所述比值分数加权求和,得到干旱指数分数;
对所述干旱指数分数进行标准分数化,得到改进的干旱严重程度指数;所述改进的干旱严重程度指数用于作为干旱检测指标,实现对所述待检测地区的干旱检测。
可选的,所述由所述序列集中的所述归一化植被指数和所述地表温度计算植被健康指数,具体包括:
由所述序列集中的所述归一化植被指数计算植被状况指数
其中,VCI为植被状况指数,NDVIi为某一年第i时期的归一化植被指数的值;NDVImin为所有年第i时期的归一化植被指数的值中的最小值;NDVImax为所有年第i时期的归一化植被指数的值中的最大值;
由所述序列集中的所述地表温度计算温度状态指数
其中,TCI为温度状态指数;LSTi为某一年第i时期的地表温度的值;LSTmin为所有年第i时期的地表温度的值中的最小值;LSTmax为所有年第i时期的地表温度的值中的最大值;
由所述植被状况指数和所述温度状态指数计算植被健康指数
VHI=0.5×VCI+0.5×TCI;
其中,VHI为植被健康指数。
可选的,所述对所述植被健康指数和所述比值分别进行标准分数化,得到健康指数分数和比值分数,具体包括:
对所述植被健康指数进行标准分数化,得到健康指数分数
对所述比值进行标准分数化,得到比值分数
可选的,所述干旱指数分数的计算公式为:
Z=0.5×Z1+0.5×Z2;
其中,Z为干旱指数分数;Z1为健康指数分数;Z2为比值分数。
可选的,所述改进的干旱严重程度指数的计算公式为:
本发明还提供了一种遥感干旱检测系统,包括:
数据获取模块,用于获取待检测地区在设定时间段内的遥感数据,得到序列集;所述遥感数据包括归一化植被指数、地表温度、实际蒸散发数据和潜在蒸散发数据;
植被健康指数计算模块,用于由所述序列集中的所述归一化植被指数和所述地表温度计算植被健康指数;
比值计算模块,用于计算所述序列集中所述实际蒸散发数据与所述潜在蒸散发数据的比值;
第一标准分数化模块,用于对所述植被健康指数和所述比值分别进行标准分数化,得到健康指数分数和比值分数;
加权模块,用于对所述健康指数分数和所述比值分数加权求和,得到干旱指数分数;
第二标准分数化模块,用于对所述干旱指数分数进行标准分数化,得到改进的干旱严重程度指数;所述改进的干旱严重程度指数用于作为干旱检测指标,实现对所述待检测地区的干旱检测。
可选的,所述植被健康指数计算模块,具体包括:
植被状况指数计算单元,用于由所述序列集中的所述归一化植被指数计算植被状况指数
其中,VCI为植被状况指数,NDVIi为某一年第i时期的归一化植被指数的值;NDVImin为所有年第i时期的归一化植被指数的值中的最小值;NDVImax为所有年第i时期的归一化植被指数的值中的最大值;
温度状态指数计算单元,用于由所述序列集中的所述地表温度计算温度状态指数
其中,TCI为温度状态指数;LSTi为某一年第i时期的地表温度的值;LSTmin为所有年第i时期的地表温度的值中的最小值;LSTmax为所有年第i时期的地表温度的值中的最大值;
植被健康指数计算单元,用于由所述植被状况指数和所述温度状态指数计算植被健康指数
VHI=0.5×VCI+0.5×TCI;
其中,VHI为植被健康指数。
可选的,所述第一标准分数化模块,具体包括:
第一分数化单元,用于对所述植被健康指数进行标准分数化,得到健康指数分数
第二分数化单元,用于对所述比值进行标准分数化,得到比值分数
可选的,所述加权模块中的所述干旱指数分数的计算公式为:
Z=0.5×Z1+0.5×Z2;
其中,Z为干旱指数分数;Z1为健康指数分数;Z2为比值分数。
可选的,所述第二标准分数化模块中的所述改进的干旱严重程度指数的计算公式为:
与现有技术相比,本发明的有益效果是:
本发明提出了一种遥感干旱检测方法及系统,基于待检测地区在设定时间段内的归一化植被指数、地表温度、实际蒸散发数据和潜在蒸散发数据,并采用标准分数化以及加权求和的方法得到改进的干旱严重程度指数(Modified Drought Severity Index,MDSI)。本发明中的改进的干旱严重程度指数MDSI相较于现有的其他遥感干旱指数更接近于土壤水分信息和降雨枯丰信息,更能反映出农业干旱和气象干旱信息;将改进的干旱严重程度指数MDSI作为干旱检测指标得到的干旱检测结果,相较于现有的其他遥感干旱指数更接近土壤水分和降水丰枯信息的检测结果,也更接近于农业和气象真实的干旱程度,提高了遥感干旱检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的遥感干旱检测方法的流程图;
图2为本发明实施例提供的遥感干旱检测方法的具体实现过程图;
图3为干旱指数与土壤水分的相关系数T检验示意图;
图4为九大流域生长季干旱指数与土壤水分的相关系数T检验示意图;
图5为各植被类型生长季干旱指数与土壤水分的相关系数T检验示意图;
图6为干旱指数与降水量的相关系数T检验示意图;
图7为九大流域生长季干旱指数与降水量的相关系数T检验示意图;
图8为各植被类型生长季干旱指数与降水量的相关系数T检验示意图;
图9为遥感干旱指数监测的干旱面积与国家统计局旱灾受灾总面积的相关性示意图;
图10为本发明实施例提供的遥感干旱检测系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
目前,广泛使用的八种遥感干旱指数(AVI,VCI,VSWI,TCI,CWSI,TVDI,DSI和VHI)可以大体分为三类。第一类为仅考虑植被生长信息,包括AVI、VCI、VSWI、TCI、TVDI和VHI;第二类是CWSI,仅土壤水分信息,利用ET和PEI之间的关系来反映干旱程度;第三类是DSI,考虑了植被生长和土壤水分等信息,该模型综合了NDVI、ET和PET,其中NDVI描述植被生长状况,ET比PET能够更好地反映土壤水分状况。
但考虑到DSI在描述植被生长状况时,仅考虑植被形态指标,未考虑植被生理指标,也不能很好地反映植被生物量,而VHI在一定程度上弥补了这个弊端。因此,本实施例结合植被形态指标(VCI)和冠层温度指标(TCI)两者的优势,计算的植被健康指数(Vegetation Health Index,VHI)为基础,将VHI作为计算参数,代替原本的NDVI,提出了改进的干旱严重程度指数MDSI。
图1为本发明实施例提供的遥感干旱检测方法的流程图。参见图1,本实施例遥感干旱检测方法,包括:
步骤101:获取待检测地区在设定时间段内的遥感数据,得到序列集;所述遥感数据包括归一化植被指数、地表温度、实际蒸散发数据和潜在蒸散发数据。所述序列集为长时间序列集。
步骤102:由所述序列集中的所述归一化植被指数和所述地表温度计算植被健康指数。
DSI在描述植被生长状况时,仅考虑植被形态指标,未考虑植被生理指标,而冠层温度升高也会对植被生长产生一定的限制,基于以上特征选择VHI来代替NDVI。因此,步骤102中,由归一化植被指数和地表温度计算植被健康指数。
所述步骤102,具体包括:
由所述序列集中的所述归一化植被指数计算植被状况指数
其中,VCI为植被状况指数,NDVIi为某一年第i时期的归一化植被指数的值;NDVImin为所有年第i时期的归一化植被指数的值中的最小值;NDVImax为所有年第i时期的归一化植被指数的值中的最大值。
由所述序列集中的所述地表温度计算温度状态指数
其中,TCI为温度状态指数;LSTi为某一年第i时期的地表温度的值;LSTmin为所有年第i时期的地表温度的值中的最小值;LSTmax为所有年第i时期的地表温度的值中的最大值。
由所述植被状况指数和所述温度状态指数计算植被健康指数
VHI=0.5×VCI+0.5×TCI;
其中,VHI为植被健康指数。
步骤103:计算所述序列集中所述实际蒸散发数据与所述潜在蒸散发数据的比值。
步骤104:对所述植被健康指数和所述比值分别进行标准分数化,得到健康指数分数和比值分数。
所述步骤104,具体包括:
对所述植被健康指数进行标准分数化,得到健康指数分数
对所述比值进行标准分数化,得到比值分数
步骤105:对所述健康指数分数和所述比值分数加权求和,得到干旱指数分数。本实施例可以采用等权重的方式对所述健康指数分数和所述比值分数加权求和,所述干旱指数分数的计算公式为:
Z=0.5×Z1+0.5×Z2;
其中,Z为干旱指数分数;Z1为健康指数分数;Z2为比值分数。
步骤106:对所述干旱指数分数进行标准分数化,得到改进的干旱严重程度指数;所述改进的干旱严重程度指数用于作为干旱检测指标,实现对所述待检测地区的干旱检测。
所述改进的干旱严重程度指数的计算公式为:
其中,MDSI为改进的干旱严重程度指数;Z为干旱指数分数;为干旱指数分数多年平均值;σZ为改进的干旱严重程度指数标准差。MDSI为正值且绝对值越大,表示越湿润(湿润程度越高);MDSI为负值且绝对值越大,表示越干旱(干旱程度越高)。
本实施例的遥感干旱检测方法的具体实现过程如图2所示。
下面对上述实施例中的遥感干旱检测方法的有效性进行了验证。
表1为本验证方法用于对比的其它干旱监测指标的计算公式及MDSI具体计算公式:
表1本验证方法应用的遥感干旱指数
表1中,*i为*变量某年第i时期的值,为*变量某年第i时期的均值,*min为*变量多年i时期的最小值,*max为*变量多年i时期的最大值,LSTNDVI,min在相应NDVI下对应的最低地表温度以及在相应NDVI下对应的最高地表温度,σ*为*变量多年i时期的标准差。
MDSI和DSI均是利用Z分数来进行定义,它是以同期干旱指数值的标准差为单位表示某一期干旱指数值,在同期干旱时间序列中所处位置的相对位数量数,即表示原始干旱指数值在平均数以上或以下几个标准差的位置,从而明确某时期的干湿强度在整个研究期间的相对地位的量数。因此,本方法所提出的MDSI与DSI均符合正态分布(均值为0、标准差为1),具有相同的干湿监测结果,采用相同的干湿条件类别,如表2所示。
表2MDSI的湿润(W)和干旱(D)条件类别
本方法基于像元尺度来确定中国地区九种干旱指数与土壤水分之间的不确定性,计算了多时间尺度的九种干旱指数与土壤含水量之间的线性相关关系,并进行了相关系数T检验,可以定量描述九种干旱指数在农业旱情监测的适用性,结果见图3所示。
由图3可知,考虑ET、PET的干旱指数(CWSI、DSI、MDSI)通常比仅单一考虑NDVI、LST(AVI、VCI、TCI)或LST为次要因素的干旱指数(VSWI、TVDI)与土壤含水量的相关性更高。具体而言,3~11月MDSI比其它干旱指数表现出较强的优势,尤其在5月、8月和10月;而对于12~2月CWSI比其它干旱指数表现出较强的优势。在季度、生长季和全年,MDSI均表现出了比其它干旱指数明显的优势,这一发现是由于MDSI不仅考虑了植被生长和土壤水分,还考虑了植被生理指标信息。其次,VHI在中国地区旱情监测也具有较强地适用性,且TCI整体上优于VCI,MDSI整体上优于DSI,这说明了在遥感干旱指数反演中有必要考虑LST对土壤水分的影响。
此外,本验证方法提取了九大流域和五个主要植被类型的生长季干旱指数与土壤水分的相关系数T-test,如图4和图5所示。
由图4可知,DSI、VHI和MDSI在黄河流域能够很好的反映土壤旱情信息(T-test>2.92、p<0.01);DSI和MDSI在海河流域和内陆河流域能够很好的反映土壤旱情信息(T-test>2.92、p<0.01);VHI和MDSI在松辽河流域能够很好的反映土壤旱情信息(T-test>2.92、p<0.01);且九种干旱指数在淮河流域、珠江流域、西南流域和东南流域对于土壤旱情信息监测结果较差(T-test<2.12、p>0.05),但MDSI整体上要优于其它干旱指数;此外,在长江流域仅有MDSI监测效果较好(T-test>2.12、p<0.05),这表明了MDSI相较于其它干旱指数在中国地区九大流域的农业干旱监测中具有更强的适用性。
由图5可知,VSWI仅能较好地反映草原植被的土壤旱情信息(T-test>2.12、p<0.05);TCI仅能较好地反映沼泽植被的土壤旱情信息(T-test>2.12、p<0.05);CWSI、DSI能够较好地反映草原植被和农作物植被的土壤旱情信息(T-test>2.12、p<0.05);VHI能够较好地反映草原植被和沼泽植被的土壤旱情信息(T-test>2.12、p<0.05);而MDSI除森林植被外,均能较好的反映植被的土壤旱情信息(T-test>2.12、p<0.05),尤其是草原植被(T-test>2.92、p<0.01);对于森林植被而言,九种干旱指数均不能够很好的反映土壤旱情信息,但MDSI仍然优于其它干旱指数。
本验证方法还基于像元尺度来确定中国地区九种干旱指数与降水量之间的不确定性,计算了多时间尺度的九种干旱指数与降水量之间的线性相关关系,并进行了相关系数T检验,可以定量描述九种干旱指数在气象干旱监测的适用性,结果见图6所示。
由图6可知,在月尺度上,通常未考虑植被生理指标的干旱指数(AVI、VCI、VSWI)与降水量的相关性更低。具体而言,12~3月TVDI比其它干旱指数表现出较强的优势,尤其是在12月;整体上来说4~11月TCI、CWSI、MDSI比其它干旱指数表现出较强的优势,尤其TCI在6~8月。除冬季外,MDSI在季度、生长季和全年均表现出了比其它干旱指数明显的优势,尤其在生长季。对比MDSI与土壤含水量的相关系数T-test后发现,MDSI与土壤含水量的相关系数T-test明显高于与降水量的相关系数T-test,这表明了相较于气象干旱监测,MDSI在农业干旱监测中具有明显的优势。
此外,本验证方法提取了九大流域和五个主要植被类型的生长季干旱指数与降水量的相关系数T-test,如图7和图8所示。由图7可知,TCI、VHI和MDSI在黄河流域和松辽河流域能够很好的反映降水丰枯信息(T-test>2.12、p<0.05);VHI和MDSI在海河流域能够很好的反映降水丰枯信息(T-test>2.12、p<0.05);除AVI、VCI外,其余干旱指数在内陆河流域能够很好的反映降水丰枯信息(T-test>2.12、p<0.05),尤其是MDSI(T-test>2.92、p<0.01);且九种干旱指数在长江流域、淮河流域、珠江流域、西南流域和东南流域对于降水丰枯信息监测结果较差(T-test<2.12、p>0.05),但MDSI整体上要优于其它干旱指数,这表明了MDSI相较于其它干旱指数在中国地区九大流域的气象干旱监测中具有更强的适用性。由图8可知,TCI、CWSI、TVDI、DSI、VHI和MDSI均能够较好地反映草原植被的降水丰枯信息(T-test>2.12、p<0.05);对于其余植被而言,九种干旱指数均不能够很好的反映降水丰枯信息,但MDSI整体上仍然优于其它干旱指数。
为了进一步验证遥感干旱指数和农业产量的关系,本验证方法从国家统计局中统计了2001~2018年中国地区的旱灾受灾总面积(包括:受灾面积、成灾面积和绝收面积),再根据九种干旱指数干旱指标分类标准(表3)统计出农作物的干旱面积。利用国家统计局提供的旱灾受灾总面积分别与九种干旱指数统计出的农作物干旱面积进行相关性分析,如图9所示,图9中的(a)部分-(i)部分分别为AVI、VCI、VSWI、TCI、CWSI、TVDI、DSI、VHI和MDSI这九种干旱指数统计出的农作物干旱面积(监测受灾面积)与国家统计局提供的旱灾受灾总面积(实际受灾面积)的相关性示意图。
表3各干旱指标分类标准
由图9可知,除TCI、TVDI外,其余干旱指数的农作物干旱面积与国家统计局的旱灾受灾总面积相关性均通过p<0.01的显著性检验,其中VHI和MDSI的农作物干旱面积与国家统计局的旱灾受灾总面积的拟合度R2均高达0.7以上,但MDSI优于VHI,由此可见MDSI能够最好地监测出中国地区的旱灾受灾总面积,这也进一步表明MDSI可以准确的对中国地区的干旱情况进行客观的评价。
本实施例的步骤102-步骤106中,考虑到DSI在描述植被生长状况时,仅考虑植被形态指标,未考虑植被生理指标,而冠层温度升高也会对植被生长产生一定的限制。从VHI在干旱监测中优于VCI和TCI情况来看,在干旱监测中有必要考虑到LST对植被生长的影响。因此,结合植被形态指标(VCI)和冠层温度指标(TCI)两者的优势,计算的植被健康指数(VHI)为基础,将VHI作为计算参数,代替原本的NDVI,提出了改进的干旱严重程度指数。
本实施例的遥感干旱检测方法,具有如下优点:
该遥感干旱检测方法提供了一种简单的建模方法,提出了改进的干旱严重程度指数,建模方法简单,将NDVI替换成VHI进行建模以后的改进的干旱严重程度指数MDSI,在干旱监测方面较其它八种遥感干旱指数(AVI、VCI、VSWI、TCI、CWSI、TVDI、DSI和VHI)更接近于土壤水分信息和降雨枯丰信息,更能反映出农业干旱和气象干旱信息。
该MDSI与土壤水分、降水量的相关性高于其它八种遥感干旱指数(AVI、VCI、VSWI、TCI、CWSI、TVDI、DSI和VHI)与土壤水分、降水量的相关性,也能够表明MDSI对干旱的检测结果较其它八种遥感干旱指数(AVI、VCI、VSWI、TCI、CWSI、TVDI、DSI和VHI)更接近土壤水分和降水丰枯信息的检测结果,对干旱的检测结果更接近于农业和气象真实的干旱程度。
本实施例还提供了一种遥感干旱检测系统,参见图10,本实施例的遥感干旱检测系统包括:
数据获取模块201,用于获取待检测地区在设定时间段内的遥感数据,得到序列集;所述遥感数据包括归一化植被指数、地表温度、实际蒸散发数据和潜在蒸散发数据。
植被健康指数计算模块202,用于由所述序列集中的所述归一化植被指数和所述地表温度计算植被健康指数。
比值计算模块203,用于计算所述序列集中所述实际蒸散发数据与所述潜在蒸散发数据的比值。
第一标准分数化模块204,用于对所述植被健康指数和所述比值分别进行标准分数化,得到健康指数分数和比值分数。
加权模块205,用于对所述健康指数分数和所述比值分数加权求和,得到干旱指数分数。
第二标准分数化模块206,用于对所述干旱指数分数进行标准分数化,得到改进的干旱严重程度指数;所述改进的干旱严重程度指数用于作为干旱检测指标,实现对所述待检测地区的干旱检测。
作为一种可选的实施方式,所述植被健康指数计算模块202,具体包括:
植被状况指数计算单元,用于由所述序列集中的所述归一化植被指数计算植被状况指数
其中,VCI为植被状况指数,NDVIi为某一年第i时期的归一化植被指数的值;NDVImin为所有年第i时期的归一化植被指数的值中的最小值;NDVImax为所有年第i时期的归一化植被指数的值中的最大值。
温度状态指数计算单元,用于由所述序列集中的所述地表温度计算温度状态指数
其中,TCI为温度状态指数;LSTi为某一年第i时期的地表温度的值;LSTmin为所有年第i时期的地表温度的值中的最小值;LSTmax为所有年第i时期的地表温度的值中的最大值。
植被健康指数计算单元,用于由所述植被状况指数和所述温度状态指数计算植被健康指数
VHI=0.5×VCI+0.5×TCI;
其中,VHI为植被健康指数。
作为一种可选的实施方式,所述第一标准分数化模块204,具体包括:
第一分数化单元,用于对所述植被健康指数进行标准分数化,得到健康指数分数
第二分数化单元,用于对所述比值进行标准分数化,得到比值分数
作为一种可选的实施方式,所述加权模块205中的所述干旱指数分数的计算公式为:
Z=0.5×Z1+0.5×Z2;
其中,Z为干旱指数分数;Z1为健康指数分数;Z2为比值分数。
作为一种可选的实施方式,所述第二标准分数化模块206中的所述改进的干旱严重程度指数的计算公式为:
其中,MDSI为改进的干旱严重程度指数;Z为干旱指数分数;Z为干旱指数分数多年平均值;σZ为改进的干旱严重程度指数标准差。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种遥感干旱检测方法,其特征在于,包括:
获取待检测地区在设定时间段内的遥感数据,得到序列集;所述遥感数据包括归一化植被指数、地表温度、实际蒸散发数据和潜在蒸散发数据;
由所述序列集中的所述归一化植被指数和所述地表温度计算植被健康指数;
计算所述序列集中所述实际蒸散发数据与所述潜在蒸散发数据的比值;
对所述植被健康指数和所述比值分别进行标准分数化,得到健康指数分数和比值分数;
对所述健康指数分数和所述比值分数加权求和,得到干旱指数分数;
对所述干旱指数分数进行标准分数化,得到改进的干旱严重程度指数;所述改进的干旱严重程度指数用于作为干旱检测指标,实现对所述待检测地区的干旱检测。
2.根据权利要求1所述的一种遥感干旱检测方法,其特征在于,所述由所述序列集中的所述归一化植被指数和所述地表温度计算植被健康指数,具体包括:
由所述序列集中的所述归一化植被指数计算植被状况指数
其中,VCI为植被状况指数,NDVIi为某一年第i时期的归一化植被指数的值;NDVImin为所有年第i时期的归一化植被指数的值中的最小值;NDVImax为所有年第i时期的归一化植被指数的值中的最大值;
由所述序列集中的所述地表温度计算温度状态指数
其中,TCI为温度状态指数;LSTi为某一年第i时期的地表温度的值;LSTmin为所有年第i时期的地表温度的值中的最小值;LSTmax为所有年第i时期的地表温度的值中的最大值;
由所述植被状况指数和所述温度状态指数计算植被健康指数
VHI=0.5×VCI+0.5×TCI;
其中,VHI为植被健康指数。
4.根据权利要求1所述的一种遥感干旱检测方法,其特征在于,所述干旱指数分数的计算公式为:
Z=0.5×Z1+0.5×Z2;
其中,Z为干旱指数分数;Z1为健康指数分数;Z2为比值分数。
6.一种遥感干旱检测系统,其特征在于,包括:
数据获取模块,用于获取待检测地区在设定时间段内的遥感数据,得到序列集;所述遥感数据包括归一化植被指数、地表温度、实际蒸散发数据和潜在蒸散发数据;
植被健康指数计算模块,用于由所述序列集中的所述归一化植被指数和所述地表温度计算植被健康指数;
比值计算模块,用于计算所述序列集中所述实际蒸散发数据与所述潜在蒸散发数据的比值;
第一标准分数化模块,用于对所述植被健康指数和所述比值分别进行标准分数化,得到健康指数分数和比值分数;
加权模块,用于对所述健康指数分数和所述比值分数加权求和,得到干旱指数分数;
第二标准分数化模块,用于对所述干旱指数分数进行标准分数化,得到改进的干旱严重程度指数;所述改进的干旱严重程度指数用于作为干旱检测指标,实现对所述待检测地区的干旱检测。
7.根据权利要求6所述的一种遥感干旱检测系统,其特征在于,所述植被健康指数计算模块,具体包括:
植被状况指数计算单元,用于由所述序列集中的所述归一化植被指数计算植被状况指数
其中,VCI为植被状况指数,NDVIi为某一年第i时期的归一化植被指数的值;NDVImin为所有年第i时期的归一化植被指数的值中的最小值;NDVImax为所有年第i时期的归一化植被指数的值中的最大值;
温度状态指数计算单元,用于由所述序列集中的所述地表温度计算温度状态指数
其中,TCI为温度状态指数;LSTi为某一年第i时期的地表温度的值;LSTmin为所有年第i时期的地表温度的值中的最小值;LSTmax为所有年第i时期的地表温度的值中的最大值;
植被健康指数计算单元,用于由所述植被状况指数和所述温度状态指数计算植被健康指数
VHI=0.5×VCI+0.5×TCI;
其中,VHI为植被健康指数。
9.根据权利要求6所述的一种遥感干旱检测系统,其特征在于,所述加权模块中的所述干旱指数分数的计算公式为:
Z=0.5×Z1+0.5×Z2;
其中,Z为干旱指数分数;Z1为健康指数分数;Z2为比值分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294490.0A CN113052054B (zh) | 2021-03-19 | 2021-03-19 | 一种遥感干旱检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294490.0A CN113052054B (zh) | 2021-03-19 | 2021-03-19 | 一种遥感干旱检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052054A CN113052054A (zh) | 2021-06-29 |
CN113052054B true CN113052054B (zh) | 2023-05-23 |
Family
ID=76513784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110294490.0A Active CN113052054B (zh) | 2021-03-19 | 2021-03-19 | 一种遥感干旱检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052054B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117352B (zh) * | 2021-12-01 | 2024-07-05 | 水利部牧区水利科学研究所 | 一种确定草原干旱等级的方法、装置、电子设备及介质 |
CN114331023B (zh) * | 2021-12-02 | 2022-07-01 | 中国水利水电科学研究院 | 一种植被干旱监测评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023072A (zh) * | 2015-08-19 | 2015-11-04 | 苏州奥诺遥感科技有限公司 | 一种基于结构推理的多干旱指数融合方法 |
CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
CN107977729A (zh) * | 2017-08-28 | 2018-05-01 | 北京师范大学 | 多变量标准化干旱指数设计方法 |
CN111579565A (zh) * | 2019-02-18 | 2020-08-25 | 深圳先进技术研究院 | 农业干旱监测方法、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
-
2021
- 2021-03-19 CN CN202110294490.0A patent/CN113052054B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023072A (zh) * | 2015-08-19 | 2015-11-04 | 苏州奥诺遥感科技有限公司 | 一种基于结构推理的多干旱指数融合方法 |
CN107977729A (zh) * | 2017-08-28 | 2018-05-01 | 北京师范大学 | 多变量标准化干旱指数设计方法 |
CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
CN111579565A (zh) * | 2019-02-18 | 2020-08-25 | 深圳先进技术研究院 | 农业干旱监测方法、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
Assessing Spatiotemporal Drought Dynamics and Its Related Environmental Issues in the Mekong River Delta;Thuong V. Tran et al;《Remote Sensing》;第11卷(第23期);第1-23页 * |
Modified drought severity index: Model improvement and its application in drought monitoring in China;Peng Sun et al;《Journal of Hydrology》;第612卷;第1-15页 * |
干旱遥感监测技术进展;郭铌 等;《气象科技进展》;第10卷(第3期);第10-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052054A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mack | Landscape as a predictor of wetland condition: an evaluation of the landscape development index (LDI) with a large reference wetland dataset from Ohio | |
Auerswald et al. | Rates of sheet and rill erosion in Germany—A meta-analysis | |
Balent et al. | Modelling bird communities/landscape patterns relationships in a rural area of South-Western France | |
CN113052054B (zh) | 一种遥感干旱检测方法及系统 | |
Bosch et al. | Rainfall characteristics and spatial correlation for the Georgia Coastal Plain | |
Sakamoto et al. | Detecting spatiotemporal changes of corn developmental stages in the US corn belt using MODIS WDRVI data | |
CN112858632B (zh) | 一种综合考虑温度和水分胁迫的草地旱情监测方法 | |
Vanclay et al. | Assessing the quality of permanent sample plot databases for growth modelling in forest plantations | |
CN111242934B (zh) | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 | |
Poudel et al. | Agricultural productivity convergence: myth or reality? | |
CN114254964B (zh) | 水稻区域气候品质评估方法及系统 | |
Cheng et al. | Cold damage risk assessment of double cropping rice in Hunan, China | |
CN115310796B (zh) | 一种不同类型干旱间传播关系的确定方法及系统 | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
Launay et al. | Ability for a model to predict crop production variability at the regional scale: an evaluation for sugar beet | |
CN101430735B (zh) | 一种保护性耕作模式选择方法 | |
CN114549881A (zh) | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 | |
CN116011881A (zh) | 一种基于像元尺度的黑土农田生产力评价方法及系统 | |
Olsen et al. | A method to identify potential cold-climate vine growing sites—A case study from Røsnæs in Denmark | |
CN115019205B (zh) | 一种基于无人机多光谱影像的油菜花期spad和lai估测方法 | |
CN113850465B (zh) | 一种无资料地区的水文干旱监测系统 | |
CN113470175B (zh) | 基于光学梯形模型的灌溉区域制图方法 | |
CN113112147A (zh) | 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 | |
CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
Denk et al. | Do short-lived ruderal and arable weed communities reflect regional climate differences? A case study from SE Styria |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |